Diagnostic performance of different artificial intelligence models for poor stroke outcome

doi:10.3877/cma.j.issn.1673-9248.2026.03.011

Abstract

Abstract:

Objective

To systematically evaluate and compare the diagnostic performance of different artificial intelligence (AI) models in predicting poor functional outcomes in patients with acute ischemic stroke, with a particular focus on the trade-off between sensitivity and specificity across models.

Methods

PubMed, Web of Science, Embase, The Cochrane Library, China National Knowledge Infrastructure, and Wanfang databases were systematically searched to identify studies applying AI-based models for functional outcome prediction after stroke. According to modeling principles, the models were categorized into regression models, single decision trees, random forest (RF) models, boosting ensemble models, support vector machines (SVM), deep learning (DL) models, and other machine learning approaches. The 2×2 contingency table data were extracted or calculated. Diagnostic test accuracy Meta-analysis was performed to pool sensitivity, specificity, positive likelihood ratio, negative likelihood ratio, diagnostic odds ratio, and the area under the receiver operating characteristic curve (AUROC). Summary receiver operating characteristic (SROC) curves were used to compare the overall diagnostic performance of different model categories.

Results

A total of 32 studies involving 56 458 patients were included. The pooled AUROC values across different model categories ranged from 0.79 to 0.85, indicating moderate to high discriminative ability. RF models achieved the highest AUROC (0.85, 95%CI: 0.82 – 0.88) with relatively high specificity. Boosting ensemble models demonstrated stable and well-balanced diagnostic performance. SVM and DL models showed an advantage in sensitivity. SROC curve comparisons indicated that RF and boosting ensemble models performed better in balancing sensitivity and specificity.

Conclusion

The diagnostic performance of different AI models for predicting poor functional outcomes after stroke varies across modeling approaches. Ensemble learning models, including RF and boosting-based models, showed overall advantages in specificity and in balancing sensitivity and specificity. In clinical practice, model selection should consider specific application scenarios by jointly evaluating sensitivity and specificity, and further studies are warranted to assess the clinical generalizability of AI-based prediction models.

Key words: Ischemic stroke, Functional outcome, Artificial intelligence, Machine learning, Meta-analysis

Yifan Liang, Jingyu Mou, Yating Wu, Jingtao Pi, Le Chen, Jian Wu. Diagnostic performance of different artificial intelligence models for poor stroke outcome[J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2026, 20(03): 308-319.

/ / Recommend

Add to citation manager EndNote|Ris|BibTeX

URL: https://zhnxgbzz.cma-cmc.com.cn/EN/10.3877/cma.j.issn.1673-9248.2026.03.011

https://zhnxgbzz.cma-cmc.com.cn/EN/Y2026/V20/I03/308

Figures/Tables 7

References 42

1	徐元麒, 杨珊珊, 张忠玲. 急性缺血性卒中再灌注联合脑细胞保护治疗的策略 [J/OL]. 中华脑血管病杂志(电子版), 2025, 19(6): 463-466.
2	Monteiro M, Fonseca AC, Freitas AT, et al. Using machine learning to improve the prediction of functional outcome in ischemic stroke patients [J]. IEEE/ACM Trans Comput Biol Bioinformatics, 2018, 15(6): 1953-1959.
3	范海燕, 彭延波, 王大力. 新型缺血性脑卒中预后评估量表介绍 [J]. 中国全科医学, 2015(25): 3126-3128.
4	李昕, 杨建中. 急性缺血性脑卒中静脉溶栓后出血转化危险因素的研究进展 [J/OL]. 中华脑血管病杂志(电子版), 2023, 17(1): 9-15.
5	Heo J, Yoon JG, Park H, et al. Machine learning-based model for prediction of outcomes in acute stroke [J]. Stroke, 2019, 50(5): 1263-1265.
6	Soladoye AA, Aderinto N, Popoola MR, et al. Machine learning techniques for stroke prediction: a systematic review of algorithms, datasets, and regional gaps [J]. Int J Med Inform, 2025, 203: 106041.
7	Christodoulou E, Ma J, Collins GS, et al. A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models [J]. J Clin Epidemiol, 2019, 110: 12-22.
8	Alaka SA, Menon BK, Brobbey A, et al. Functional outcome prediction in ischemic stroke: a comparison of machine learning algorithms and regression models [J]. Front Neurol, 2020, 11: 889.
9	Li X, Pan X, Jiang C, et al. Predicting 6-month unfavorable outcome of acute ischemic stroke using machine learning [J]. Front Neurol, 2020, 11: 539509.
10	上官艺, 王孟, 王春娟, 等. 基于机器学习的缺血性卒中功能预后预测模型研究 [J]. 中国卒中杂志, 2021, 16(9): 895-900.
11	Park D, Jeong E, Kim H, et al. Machine learning-based three-month outcome prediction in acute ischemic stroke: a single cerebrovascular-specialty hospital study in South Korea [J]. Diagnostics (Basel), 2021, 11(10): 1909.
12	陈思玎, 俞蔚然, 黄馨莹, 等. 基于机器学习的新发急性缺血性卒中患者1年功能预后预测研究 [J]. 中国卒中杂志, 2022, 17(3): 265-271.
13	Yao Z, Mao C, Ke Z, et al. An explainable machine learning model for predicting the outcome of ischemic stroke after mechanical thrombectomy [J]. J Neurointerv Surg, 2023, 15(11): 1136-1141.
14	Feyen L, Schott P, Ochmann H, et al. Value of machine learning to predict functional outcome of endovascular treatment for acute ischaemic stroke of the posterior circulation [J]. Neuroradiol J, 2022, 35(3): 363-369.
15	Ramos LA, van Os H, Hilbert A, et al. Combination of radiological and clinical baseline data for outcome prediction of patients with an acute ischemic stroke [J]. Front Neurol, 2022, 13: 809343.
16	Mutke MA, Madai VI, Hilbert A, et al. Comparing poor and favorable outcome prediction with machine learning after mechanical thrombectomy in acute ischemic stroke [J]. Front Neurol, 2022, 13: 737667.
17	Jeon ET, Jung SJ, Yeo TY, et al. Predicting short-term outcomes in atrial-fibrillation-related stroke using machine learning [J]. Front Neurol, 2023, 14: 1243700.
18	刘妍, 贾龙斌, 许丽娜, 等. 基于机器学习的急性穿支动脉闭塞性脑梗死预后预测模型研究 [J]. 新医学, 2024, 55(3): 170-175.
19	孙如, 吕水清, 刘坛. 基于机器学习算法构建急性缺血性脑卒中静脉溶栓的风险预测模型 [J]. 浙江临床医学, 2024, 26(11): 1621-1624.
20	魏宏博, 马帅男, 常宏业, 等. 脑梗死溶栓预后统计模型建立及影响因素分析 [J]. 数学的实践与认识, 2024, 54(2): 136-142.
21	谢飞, 刘秋皖, 何晓璐, 等. 机器学习预测急性轻型缺血性卒中患者转归不良 [J]. 国际脑血管病杂志, 2024, 32(6): 421-427.
22	周辉, 冯兵, 刘旭日, 等. 基于机器学习的静脉溶栓时间窗外急性缺血性脑卒中患者短期预后模型建立与验证 [J]. 广西科学, 2024, 31(4): 781-787.
23	Mbarek L, Chen S, Jin A, et al. Predicting 3-month poor functional outcomes of acute ischemic stroke in young patients using machine learning [J]. Eur J Med Res, 2024, 29(1): 494.
24	Feyen L, Blockhaus C, Katoh M, et al. Machine learning based outcome prediction of large vessel occlusion of the anterior circulation prior to thrombectomy in patients with wake-up stroke [J]. Interv Neuroradiol, 2024, 30(4): 480-488.
25	袁婷, 廖艳, 李倩. 急性脑梗死患者早期应用替罗非班及静脉溶栓治疗预后不良影响因素的决策树模型分析 [J]. 临床药物治疗杂志, 2025, 23(10): 51-57.
26	薛晓娟, 杨苗, 吴玥, 等. 急性缺血性脑卒中机械取栓不良预后的机器学习预测模型的构建与验证 [J]. 海南医学, 2025, 36(11): 1610-1617.
27	李明超, 沈通, 周冰鹤, 等. 机器学习算法预测急性缺血性脑卒中患者预后效果评价 [J]. 检验医学, 2025, 40(10): 1004-1009.
28	杨潇, 刘松, 国晶晶, 等. 机器学习模型在急性前循环大血管闭塞性缺血性卒中机械取栓术后预后预测中的应用 [J]. 中国现代神经疾病杂志, 2025, 25(8): 761-770.
29	孟琦, 于佩佩, 崔艺浓, 等. 脑梗死溶栓危险因素及预后的人工智能模型建立 [J/OL]. 中国医学前沿杂志(电子版), 2025, 17(11): 49-58.
30	Hu X, Qi D, Li S, et al. Development and validation of an interpretable machine learning model for prediction of the risk of clinically ineffective reperfusion in patients following thrombectomy for ischemic stroke [J]. Ther Clin Risk Manag, 2025, 21: 621-631.
31	Liu J, Gu Y, Wang D, et al. Prediction of the short-term prognosis of acute ischaemic stroke in patients with high treatment platelet reactivity using explainable machine learning [J]. Sci Rep, 2025, 15(1): 36696.
32	Luo MY, Qu Y, Zhang P, et al. Prediction of outcomes following intravenous thrombolysis in patients with acute ischemic stroke using serum UCH-L1, S100β, and NSE: a multicenter prospective cohort study employing machine learning methods [J]. Ther Adv Neurol Disord, 2025, 18: 17562864251342429.
33	Ma L, Ji L, Cheng Z, et al. Developing an explainable prognostic model for acute ischemic stroke: combining clinical and inflammatory biomarkers with machine learning [J]. Brain Behav, 2025, 15(8): e70673.
34	Yang H, Wang W, Zhao X, et al. Deep learning models based on DWI-MRI for prognosis prediction in acute ischemic stroke receiving intravenous thrombolysis: development and validation [J]. J Neuroradiol, 2025, 52(6): 101391.
35	Bogey C, Rouchaud A, Gentric JC, et al. Predictive models of clinical outcome of endovascular treatment for anterior circulation stroke using machine learning [J]. J Neurosci Methods, 2025, 416: 110376.
36	Dao TNP, Dang HNT, Pham MTK, et al. Prognosticating global functional outcome in the recurrent ischemic stroke using baseline clinical and pre-clinical features: a machine learning study [J]. J Eval Clin Pract, 2025, 31(1): e14100.
37	Feyen L, Rohde S, Weinzierl M, et al. Outcome prediction prior to thrombectomy of the posterior circulation with machine learning [J]. Interv Neuroradiol, 2025, 31(3): 386-394.
38	Chen C, Zhang W, Pan Y, et al. An interpretable hybrid machine learning approach for predicting three-month unfavorable outcomes in patients with acute ischemic stroke [J]. Int J Med Inform, 2025, 196: 105807.
39	Grosser M, Gellißen S, Borchert P, et al. Improved multi-parametric prediction of tissue outcome in acute ischemic stroke patients using spatial features [J]. PLoS One, 2020, 15(1): e0228113.
40	Li Y, Liu Y, Hong Z, et al. Combining machine learning with radiomics features in predicting outcomes after mechanical thrombectomy in patients with acute ischemic stroke [J]. Comput Methods Programs Biomed, 2022, 225: 107093.
41	Guido R, Ferrisi S, Lofaro D, et al. An overview on the advancements of support vector machine models in healthcare applications: a review [J]. Information, 2024, 15(4): 235.
42	张克玲, 于丹. 急性缺血性卒中再灌注治疗的研究进展 [J/OL]. 中华脑血管病杂志(电子版), 2025, 19(6): 532-537.

作者	年份	地区	研究设计	中心类型	治疗方式	不良预后的结局定义（mRS评分）	随访时间	样本量	影像学特征	测试集	外部验证	应用模型（模型分类）^b
Heo等^[5]	2019	韩国	前瞻性^a	单中心	常规治疗	≥3	3个月	2604	否	是	否	1（LR），3（RF），6（DNN）
Alaka等^[8]	2020	加拿大	前瞻性	多中心	IVT±EVT	≥3	3个月	1121	是	是	是	1（LR、LASSO），2（C5.0、CART），3（RF），4（AdaBoost），5（SVM）
Li等^[9]	2020	中国	回顾性	单中心	-	≥3	6个月	1735	否	是	否	1（LR、LR^c），3（RFC、RFC^c），4（XGBoost），5（SVM），6（DNN）
上官艺等^[10]	2021	中国	前瞻性	多中心	常规±IVT	≥3	3个月	14 885	否	是	否	1（LR），4（CatBoost、XGBoost、LightGBM）
Park等^[11]	2021	韩国	前瞻性^a	单中心	IVT±EVT	＞3	3个月	1066	是	是	否	1（RLR），3（RF），4（XGBoost），5（SVM），7（KNN）
陈思玎等^[12]	2022	中国	前瞻性	多中心	常规±IVT	≥3	12个月	8230	否	是	否	1（LR），3（RF），4（CatBoost、XGBoost、GBDT）
Yao等^[13]	2022	中国	回顾性	单中心	EVT	≥3	3个月	217	是	是	否	3（ExtraTrees、RF），4（AdaBoost、LightGBM、XGBoost、GBM、CatBoost）
Feyen等^[14]	2022	德国	回顾性	单中心	EVT	≥3	3个月	30	是	是	否	1（GLM），3（RF），7（KNN）
Ramos等^[15]	2022	荷兰	前瞻性	多中心	EVT	＞3	3个月	3279	是	否	否	1（LR），3（RFC），4（XGBoost），5（SVM），6（NN）
Mutke等^[16]	2022	德国	回顾性	单中心	EVT	≥3	3个月	210	否	是	否	1（GLM、Lasso、ElasticNet），4（CatBoost），5（SVMC），6（MLP），7（NB）
Jeon等^[17]	2023	韩国	回顾性	多中心	IVT±EVT	≥3	3个月	3125	是	是	是	1（LR），4（LightGBM），6（MLP）
刘妍等^[18]	2024	中国	回顾性	单中心	-	≥3	3个月	403	否	是	否	1（LR），3（RF），5（SVM）
孙如等^[19]	2024	中国	回顾性	单中心	IVT	≥3	-	666	是	是	否	1（LR），2（DT），3（RF），4（XGBoost），5（SVM），7（KNN）
魏宏博等^[20]	2024	中国	回顾性	单中心	IVT	≥2	-	194	否	否	否	1（LR），2（DT），3（RF），7（NB）
谢飞等^[21]	2024	中国	回顾性	单中心	-	≥2	3个月	225	否	是	否	1（LR），4（XGBoost），5（SVM）
周辉等^[22]	2024	中国	回顾性	单中心	常规治疗	≥3	3个月	774	是	是	否	1（LR、Ridge regression），2（DT），3（RF、ExtraTrees），4（XGBoost、LightGBM、CatBoost、GBDT、AdaBoost），5（LinearSVM），7（LDA、NB、KNN、QDA）
Mbarek等^[23]	2024	中国	前瞻性^a	多中心	IVT±EVT	≥3	3个月	2268	否	是	否	1（LR），3（RF），4（XGBoost、GBDT、LightGBM）
Feyen等^[24]	2024	德国	回顾性	多中心	IVT±EVT	≥3	3个月	8395	是	是	否	1（GLM），3（RF），5（SVM），6（NNET），7（KNN）^d
袁婷等^[25]	2025	中国	回顾性	单中心	IVT	≥2	3个月	420	否	否	否	1（LR），2（DT）
薛晓娟等^[26]	2025	中国	回顾性	单中心	EVT	≥3	3个月	462	是	是	否	1（LR），4（XGBoost、LightGBM），5（SVM），7（GNB）
李明超等^[27]	2025	中国	回顾性	单中心	-	≥3	14 d	670	否	是	否	1（LR），3（RF），4（LightGBM、XGBoost）
杨潇等^[28]	2025	中国	回顾性	单中心	EVT	≥3	3个月	191	是	是	否	1（LR），2（DT），3（RF），4（XGBoost），5（SVM），7（KNN）
孟琦等^[29]	2025	中国	回顾性	单中心	IVT	≥3	3个月	227	是	是	否	2（DT），4（XGBoost、LightGBM），5（SVM），6（ANN），7（BN）
Hu等^[30]	2025	中国	回顾性	单中心	EVT	＞2	3个月	177	是	是	否	2（DT），3（RF），5（SVM），7（KNN）
Liu等^[31]	2025	中国	回顾性	单中心	-	≥3	3个月	515	否	是	否	1（LR），2（DT），3（RF），4（XGBoost、LightGBM），5（SVM）
Luo等^[32]	2025	中国	前瞻性	多中心	IVT	≥2	3个月	1028	是	是	是	1（LR），4（GBM、AdaBoost、LightGBM），5（SVM），6（NN）
Ma等^[33]	2025	中国	回顾性	单中心	-	≥3	3个月	1017	否	是	否	1（LR），3（ExtraTrees、RF），4（AdaBoost、GBM、LightGBM、XGBoost）
Yang等^[34]	2025	中国	回顾性	多中心	IVT	＞2	3个月	682	否	是	是	1（LR），3（RF），4（GBM），5（SVM），7（KNN、NB）
Bogey等^[35]	2025	法国	前瞻性^a	多中心	EVT	≥3	3个月	2964	是	是	否	3（RF），4（XGBoost），5（SVM）
Dao等^[36]	2025	越南	前瞻性	单中心	常规治疗	≥3	3个月	86	否	是	否	2（DT），4（AdaBoost），5（SVM），7（KNN、GNB）
Feyen等^[37]	2025	德国	回顾性	多中心	EVT	≥3	3个月	415	是	是	否	1（GLM），3（RF），5（SVM），6（NN），7（KNN）
Chen等^[38]	2025	中国、韩国	前瞻性	多中心	-	≥3	3个月	1456	否	是	是	2（DT），3（ExtraTrees、BRF），4（LightGBM、AdaBoost、CatBoost、GBM、RUSBoost、XGBoost），5（LinearSVC），6（LSTM），7（KNN）

作者	年份	地区	研究设计	中心类型	治疗方式	不良预后的结局定义（mRS评分）	随访时间	样本量	影像学特征	测试集	外部验证	应用模型（模型分类）^b
Heo等^[5]	2019	韩国	前瞻性^a	单中心	常规治疗	≥3	3个月	2604	否	是	否	1（LR），3（RF），6（DNN）
Alaka等^[8]	2020	加拿大	前瞻性	多中心	IVT±EVT	≥3	3个月	1121	是	是	是	1（LR、LASSO），2（C5.0、CART），3（RF），4（AdaBoost），5（SVM）
Li等^[9]	2020	中国	回顾性	单中心	-	≥3	6个月	1735	否	是	否	1（LR、LR^c），3（RFC、RFC^c），4（XGBoost），5（SVM），6（DNN）
上官艺等^[10]	2021	中国	前瞻性	多中心	常规±IVT	≥3	3个月	14 885	否	是	否	1（LR），4（CatBoost、XGBoost、LightGBM）
Park等^[11]	2021	韩国	前瞻性^a	单中心	IVT±EVT	＞3	3个月	1066	是	是	否	1（RLR），3（RF），4（XGBoost），5（SVM），7（KNN）
陈思玎等^[12]	2022	中国	前瞻性	多中心	常规±IVT	≥3	12个月	8230	否	是	否	1（LR），3（RF），4（CatBoost、XGBoost、GBDT）
Yao等^[13]	2022	中国	回顾性	单中心	EVT	≥3	3个月	217	是	是	否	3（ExtraTrees、RF），4（AdaBoost、LightGBM、XGBoost、GBM、CatBoost）
Feyen等^[14]	2022	德国	回顾性	单中心	EVT	≥3	3个月	30	是	是	否	1（GLM），3（RF），7（KNN）
Ramos等^[15]	2022	荷兰	前瞻性	多中心	EVT	＞3	3个月	3279	是	否	否	1（LR），3（RFC），4（XGBoost），5（SVM），6（NN）
Mutke等^[16]	2022	德国	回顾性	单中心	EVT	≥3	3个月	210	否	是	否	1（GLM、Lasso、ElasticNet），4（CatBoost），5（SVMC），6（MLP），7（NB）
Jeon等^[17]	2023	韩国	回顾性	多中心	IVT±EVT	≥3	3个月	3125	是	是	是	1（LR），4（LightGBM），6（MLP）
刘妍等^[18]	2024	中国	回顾性	单中心	-	≥3	3个月	403	否	是	否	1（LR），3（RF），5（SVM）
孙如等^[19]	2024	中国	回顾性	单中心	IVT	≥3	-	666	是	是	否	1（LR），2（DT），3（RF），4（XGBoost），5（SVM），7（KNN）
魏宏博等^[20]	2024	中国	回顾性	单中心	IVT	≥2	-	194	否	否	否	1（LR），2（DT），3（RF），7（NB）
谢飞等^[21]	2024	中国	回顾性	单中心	-	≥2	3个月	225	否	是	否	1（LR），4（XGBoost），5（SVM）
周辉等^[22]	2024	中国	回顾性	单中心	常规治疗	≥3	3个月	774	是	是	否	1（LR、Ridge regression），2（DT），3（RF、ExtraTrees），4（XGBoost、LightGBM、CatBoost、GBDT、AdaBoost），5（LinearSVM），7（LDA、NB、KNN、QDA）
Mbarek等^[23]	2024	中国	前瞻性^a	多中心	IVT±EVT	≥3	3个月	2268	否	是	否	1（LR），3（RF），4（XGBoost、GBDT、LightGBM）
Feyen等^[24]	2024	德国	回顾性	多中心	IVT±EVT	≥3	3个月	8395	是	是	否	1（GLM），3（RF），5（SVM），6（NNET），7（KNN）^d
袁婷等^[25]	2025	中国	回顾性	单中心	IVT	≥2	3个月	420	否	否	否	1（LR），2（DT）
薛晓娟等^[26]	2025	中国	回顾性	单中心	EVT	≥3	3个月	462	是	是	否	1（LR），4（XGBoost、LightGBM），5（SVM），7（GNB）
李明超等^[27]	2025	中国	回顾性	单中心	-	≥3	14 d	670	否	是	否	1（LR），3（RF），4（LightGBM、XGBoost）
杨潇等^[28]	2025	中国	回顾性	单中心	EVT	≥3	3个月	191	是	是	否	1（LR），2（DT），3（RF），4（XGBoost），5（SVM），7（KNN）
孟琦等^[29]	2025	中国	回顾性	单中心	IVT	≥3	3个月	227	是	是	否	2（DT），4（XGBoost、LightGBM），5（SVM），6（ANN），7（BN）
Hu等^[30]	2025	中国	回顾性	单中心	EVT	＞2	3个月	177	是	是	否	2（DT），3（RF），5（SVM），7（KNN）
Liu等^[31]	2025	中国	回顾性	单中心	-	≥3	3个月	515	否	是	否	1（LR），2（DT），3（RF），4（XGBoost、LightGBM），5（SVM）
Luo等^[32]	2025	中国	前瞻性	多中心	IVT	≥2	3个月	1028	是	是	是	1（LR），4（GBM、AdaBoost、LightGBM），5（SVM），6（NN）
Ma等^[33]	2025	中国	回顾性	单中心	-	≥3	3个月	1017	否	是	否	1（LR），3（ExtraTrees、RF），4（AdaBoost、GBM、LightGBM、XGBoost）
Yang等^[34]	2025	中国	回顾性	多中心	IVT	＞2	3个月	682	否	是	是	1（LR），3（RF），4（GBM），5（SVM），7（KNN、NB）
Bogey等^[35]	2025	法国	前瞻性^a	多中心	EVT	≥3	3个月	2964	是	是	否	3（RF），4（XGBoost），5（SVM）
Dao等^[36]	2025	越南	前瞻性	单中心	常规治疗	≥3	3个月	86	否	是	否	2（DT），4（AdaBoost），5（SVM），7（KNN、GNB）
Feyen等^[37]	2025	德国	回顾性	多中心	EVT	≥3	3个月	415	是	是	否	1（GLM），3（RF），5（SVM），6（NN），7（KNN）
Chen等^[38]	2025	中国、韩国	前瞻性	多中心	-	≥3	3个月	1456	否	是	是	2（DT），3（ExtraTrees、BRF），4（LightGBM、AdaBoost、CatBoost、GBM、RUSBoost、XGBoost），5（LinearSVC），6（LSTM），7（KNN）

模型	AUROC	敏感度	特异度	PLR	NLR	DOR
回归模型	0.83（0.80~0.86）	0.67（0.56~0.76）	0.85（0.76~0.90）	4.3（3.1~6.0）	0.39（0.30~0.50）	11（8~15）
决策树	0.82（0.78~0.85）	0.69（0.59~0.78）	0.79（0.73~0.84）	3.3（2.5~4.3）	0.39（0.29~0.52）	8（5~14）
随机森林模型	0.85（0.82~0.88）	0.59（0.49~0.69）	0.90（0.85~0.93）	5.8（4.0~8.3）	0.45（0.36~0.57）	13（8~21）
Boosting集成模型	0.83（0.80~0.86）	0.64（0.59~0.68）	0.88（0.85~0.90）	5.1（4.3~6.2）	0.41（0.37~0.46）	12（10~15）
支持向量机	0.83（0.80~0.86）	0.75（0.52~0.89）	0.78（0.55~0.91）	3.4（1.8~6.8）	0.32（0.18~0.58）	11（5~22）
深度学习模型	0.82（0.79~0.85）	0.74（0.58~0.85）	0.78（0.60~0.89）	3.3（2.0~5.6）	0.34（0.23~0.48）	10（7~15）
其他机器学习模型	0.79（0.75~0.82）	0.43（0.27~0.60）	0.88（0.81~0.93）	3.7（2.7~5.1）	0.65（0.51~0.83）	6（4~9）

模型	AUROC	敏感度	特异度	PLR	NLR	DOR
回归模型	0.83（0.80~0.86）	0.67（0.56~0.76）	0.85（0.76~0.90）	4.3（3.1~6.0）	0.39（0.30~0.50）	11（8~15）
决策树	0.82（0.78~0.85）	0.69（0.59~0.78）	0.79（0.73~0.84）	3.3（2.5~4.3）	0.39（0.29~0.52）	8（5~14）
随机森林模型	0.85（0.82~0.88）	0.59（0.49~0.69）	0.90（0.85~0.93）	5.8（4.0~8.3）	0.45（0.36~0.57）	13（8~21）
Boosting集成模型	0.83（0.80~0.86）	0.64（0.59~0.68）	0.88（0.85~0.90）	5.1（4.3~6.2）	0.41（0.37~0.46）	12（10~15）
支持向量机	0.83（0.80~0.86）	0.75（0.52~0.89）	0.78（0.55~0.91）	3.4（1.8~6.8）	0.32（0.18~0.58）	11（5~22）
深度学习模型	0.82（0.79~0.85）	0.74（0.58~0.85）	0.78（0.60~0.89）	3.3（2.0~5.6）	0.34（0.23~0.48）	10（7~15）
其他机器学习模型	0.79（0.75~0.82）	0.43（0.27~0.60）	0.88（0.81~0.93）	3.7（2.7~5.1）	0.65（0.51~0.83）	6（4~9）

模型	同一研究内同类别代表模型			明确报告治疗方式			统一结局阈值（mRS评分≥3分）^a			统一随访时间分析（3个月以上）			分析数据明确来源于测试集			无需因预测结局进行混淆矩阵转换
模型	AUROC	敏感度	特异度	AUROC	敏感度	特异度	AUROC	敏感度	特异度	AUROC	敏感度	特异度	AUROC	敏感度	特异度	AUROC	敏感度	特异度
回归模型	0.84（0.81~0.87）	0.69（0.57~0.79）	0.85（0.75~0.91）	0.81（0.77~0.84）	0.68（0.54~0.79）	0.81（0.70~0.88）	0.84（0.80~0.87）	0.68（0.56~0.78）	0.84（0.75~0.91）	0.83（0.79~0.86）	0.66（0.55~0.76）	0.84（0.76~0.90）	0.84（0.80~0.87）	0.67（0.53~0.78）	0.85（0.76~0.91）	0.84（0.81~0.87）	0.68（0.56~0.78）	0.86（0.77~0.91）
决策树	0.83（0.79~0.86）	0.70（0.59~0.79）	0.80（0.73~0.85）	0.82（0.79~0.85）	0.72（0.62~0.81）	0.78（0.71~0.84）	0.77（0.73~0.81）	0.63（0.54~0.71）	0.78（0.71~0.84）	0.82（0.78~0.85）	0.69（0.59~0.78）	0.79（0.73~0.84）	0.83（0.80~0.86）	0.67（0.52~0.79）	0.82（0.74~0.88）	0.82（0.78~0.85）	0.69（0.59~0.78）	0.79（0.73~0.84）
随机森林模型	0.84（0.80~0.87）	0.62（0.52~0.70）	0.89（0.84~0.93）	0.80（0.76~0.83）	0.54（0.41~0.66）	0.86（0.79~0.91）	0.85（0.82~0.88）	0.60（0.50~0.70）	0.90（0.85~0.93）	0.84（0.81~0.87）	0.58（0.48~0.68）	0.90（0.85~0.93）	0.86（0.83~0.89）	0.60（0.47~0.71）	0.90（0.85~0.93）	0.86（0.82~0.88）	0.59（0.48~0.69）	0.90（0.86~0.93）
Boosting集成模型	0.82（0.78~0.85）	0.65（0.59~0.71）	0.86（0.80~0.90）	0.80（0.76~0.83）	0.60（0.54~0.66）	0.86（0.81~0.89）	0.84（0.80~0.87）	0.65（0.59~0.69）	0.88（0.85~0.91）	0.82（0.79~0.86）	0.63（0.58~0.68）	0.88（0.84~0.90）	0.84（0.80~0.87）	0.64（0.58~0.68）	0.88（0.85~0.90）	0.84（0.80~0.87）	0.64（0.59~0.68）	0.88（0.85~0.90）
支持向量机	0.83（0.80~0.86）	0.75（0.52~0.89）	0.78（0.55~0.91）	0.79（0.75~0.82）	0.79（0.52~0.93）	0.65（0.36~0.86）	0.84（0.81~0.87）	0.79（0.53~0.93）	0.75（0.44~0.92）	0.83（0.80~0.86）	0.75（0.52~0.89）	0.78（0.55~0.91）	0.84（0.81~0.87）	0.75（0.50~0.91）	0.79（0.53~0.93）	0.85（0.81~0.88）	0.76（0.51~0.91）	0.79（0.54~0.93）
深度学习模型	0.82（0.79~0.85）	0.74（0.58~0.85）	0.78（0.60~0.89）	0.82（0.78~0.85）	0.76（0.57~0.88）	0.74（0.51~0.89）	0.83（0.80~0.86）	0.74（0.57~0.86）	0.79（0.60~0.91）	0.82（0.79~0.85）	0.74（0.58~0.85）	0.78（0.60~0.89）	0.81（0.78~0.85）	0.77（0.60~0.88）	0.72（0.53~0.86）	0.83（0.80~0.86）	0.75（0.58~0.87）	0.78（0.58~0.90）
其他机器学习模型	0.79（0.75~0.82）	0.53（0.38~0.68）	0.85（0.76~0.91）	0.79（0.75~0.82）	0.43（0.27~0.60）	0.88（0.81~0.93）	0.78（0.74~0.81）	0.43（0.26~0.62）	0.89（0.79~0.94）	0.79（0.75~0.82）	0.43（0.27~0.60）	0.88（0.81~0.93）	0.79（0.75~0.82）	0.42（0.25~0.61）	0.89（0.80~0.94）	0.79（0.76~0.83）	0.42（0.26~0.60）	0.89（0.81~0.94）

Please choose a citation manager

Content to export